大多数美国劳动者预计 AI 将让老板获益更多

Google News 揭示了一场尖锐的职场冲突：受访的美国劳动者中，多数预计人工智能将让他们的老板获益多于员工。这一发现挑战了广为流传的承诺——AI 将消除繁琐工作，让每个人都有更多时间投入有意义的任务。

由 Ipsos 与进步派经济组织 Groundwork Collaborative 联合开展的调查发现，只有约三分之一的劳动者预计 AI 会改善他们的工作。约三分之二的人预计工作生活将变得更加艰难，原因包括雇主裁撤岗位、加大压力或要求更高产出。相关结果通过 Google News 分发的一项劳动者调查报道。

这种认知差距至关重要，因为职场 AI 的采用已不再局限于自愿试用。管理者日益将 AI 技能视为招聘标准，雇主也正围绕预期的生产力提升重新设计岗位。员工必须判断：使用 AI 会保护自己的职位，还是会让自己的劳动更容易被衡量和替代。

因此，核心冲突并不是劳动者与技术之间的对立，而是共享生产力的承诺与谁能控制由此产生的时间、节省和议价能力这一现实之间的矛盾。

劳动者调查实际改变了什么

这项调查将对自动化的抽象恐惧，转化为对雇主如何分配 AI 收益的直接质疑。

劳动者已经听过同一种承诺的不同版本：AI 将处理重复性任务、减少行政工作，并让员工承担更有价值的职责。然而，Groundwork 和 Ipsos 的调查结果表明，许多员工预计结果恰恰相反。

据报道，只有约三分之一的人相信 AI 会改善他们的工作。其余受访者预计会面临裁员、更大压力或更严重的职场不平等等后果。Groundwork 政策高管 Elizabeth Pancotti 表示，劳动者正为 AI 的影响严阵以待，而不是欣然接纳。

这一区别很重要。劳动者可以相信 AI 能完成有用的任务，同时不信任部署它的机构。更快地准备文件、开展研究或安排日程，并不保证工时更短、薪酬更高或自主性更强。

任务变快之后会发生什么，由雇主决定。他们可以减少工作量、改善服务、扩大产出、裁撤职位，或提高绩效目标。软件本身不会作出这种分配决定。

2026 年的其他民调也强化了这种复杂图景。一项Ipsos 职场调查发现，44% 的劳动者表示 AI 提高了他们的生产力。不过，38% 的人表示，当前工具虽是有用的起点，却无法产出可直接交付的成品。

五分之一的受访者表示，AI 在某些任务上节省了时间，但只是带来了更多任务。约 15% 的人表示，雇主期待的生产力提升并未实现。相近比例的人则因隐私或安全担忧而犹豫。

这些结果并不能证明大多数 AI 项目失败。它们揭示了对职场采用而言更关键的一点：技术实用性与员工信心是两种独立的衡量标准。

一名员工可能在起草报告时节省了三十分钟，随后却要花这段时间核查可疑引用，或完成更多报告。组织记录的是更高的产出，而员工并未感受到任何实质改善。

这项新调查将分配问题置于核心位置。若生产力上升，谁保留节省下来的时间？若成本下降，谁获得财务回报？若岗位发生变化，谁得到培训，谁又面临解雇？

这些问题构成了 Google News 标题背后的冲突。劳动者评估的不只是软件质量，也是在评估一旦软件改变了一个人能够产出的内容，管理层将作出怎样的决定。

Google News 数据显示：采用在先，信任滞后

AI 的使用扩散速度快于劳动者信心，因为组织可以在尚未解决如何分享收益与风险之前，就强制部署工具。

职场采用已达到一个阶段：人们不能再将担忧简单归为对陌生技术的抗拒。Gallup 于 2026 年 2 月开展的民调发现，半数美国员工至少偶尔使用 AI。频繁使用——定义为每天或每周数次——的比例约为十名劳动者中的三人。

Gallup 劳动力调查结果还显示，管理者与一线贡献者之间存在差异。约十分之七使用 AI 的领导者表示，它提高了他们的效率；报告同样收益的一线贡献者则略高于半数。

这种差距并不自动意味着管理者获得了更多价值。不同岗位涉及不同任务，管理者往往花更多时间写作、总结、规划和沟通。当前的生成式 AI 系统尤其适合这些活动。

不过，这种差异支持了劳动者对收益分配不均的怀疑。管理者可能在准备评估、排班或战略文件时节省时间；一线贡献者则可能面临更严密的监控、自动化质量检查或更高的日常产出要求。

劳动者也会通过政策而非个人选择接触到 AI。雇主可以选择获批准的工具、限制替代方案、设定使用目标，并将 AI 纳入绩效体系。员工可能要为错误负责，却无法控制所使用的模型或数据来源。

这造成了一种不同寻常的职场压力。拒绝使用 AI，可能让劳动者显得抗拒改变；积极使用 AI，则可能暴露某些职责能被多快完成，或引发是否需要更少员工的疑问。

Google 与 Ipsos 开展的研究从另一个角度说明了这种压力。其AI 劳动力调查发现，70% 的管理者在招聘时将 AI 技能视为必需或优先条件。

该调查将劳动者分为偶尔使用的“AI 探索者”和高度整合使用的“AI 熟练者”。只有 5% 的员工符合其严格的熟练度定义。这些劳动者要么在至少八种应用中频繁使用 AI，要么已围绕 AI 重新设计工作流程。

高度熟练的群体报告了显著收益。91% 的人表示 AI 提高了他们的生产力，而偶尔使用者中这一比例为 52%。他们报告的每周节省时间中位数为八小时，偶尔使用者则为三小时。

然而，获得支持的机会依然有限。尽管 65% 的员工表示对正式 AI 培训有一定兴趣，只有 14% 的人表示其组织在过去一年中提供过这类培训。仅 27% 的人表示雇主提供了 AI 工具，37% 的人表示获得了职场指导。

这些数字揭示了一种错配。雇主日益重视 AI 技能，但许多雇主尚未创造员工安全发展这些技能所需的条件。

因此，劳动者被要求在一个不均衡的体系中适应变化。一些人获得了获批准的工具、培训和重新设计工作的空间；另一些人则在承担隐私、准确性和职业风险的同时自行尝试。

Google News 的报道反映出职场正在同时向两个方向发展：采用率不断提高，但维持这种采用所需的制度信任却未能同步跟上。

生产力提升并不会自动惠及员工

当节省下来的时间变成更高的生产配额，而非员工可以保留的收益时，职场中的反转便开始了。

生成式 AI 能带来真实的效率提升。它可以总结文件、分类信息、生成初稿，并帮助人们检索陌生主题。这些能力对于充满重复性信息工作的岗位很重要。

更棘手的问题出现在工具发挥作用之后。企业可以利用节省的时间缩短工作周、提高质量、服务更多客户，或减少人员配置。每一种选择都会以不同方式分配收益。

大多数企业生产力体系奖励的是产出，而不是闲置能力。当员工更快完成一项任务时，管理者往往会再分配另一项任务。劳动者感受到的是更高强度，而雇主则从同一付薪工时中获得更多产出。

Ipsos 发现，五分之一的劳动者认识到这种模式。AI 为他们在某些任务上节省了时间，但这些节省转化为了额外任务。这种体验直接违背了个人效率自然会带来个人减负的观点。

同样的紧张关系也出现在小型企业中。美国商会基金会的一项调查询问企业主 AI 如何影响员工。在使用 AI 的企业中，54% 的业主表示，AI 对完成任务所需时间产生了积极影响。

一项相关员工研究发现，劳动者以多种方式利用这些收益。根据小企业研究，59% 报告时间或质量改善的员工产出了更多或更好的工作。43% 将收益用于学习或复核，27% 承担了更多职责。

当员工获得认可、晋升或更高薪酬时，这些结果可能是积极的。当额外职责到来时却没有更多控制权或回报，情况就更令人担忧。

这正是为什么“AI 生产力”是一项不完整的衡量指标。它描述了投入与产出之间的关系，却没有说明工作量质量、岗位安全、薪酬或决策权。

每小时处理更多案例的客服人员，看起来可能更具生产力。然而，该员工也可能整天都在解决自动化系统造成的错误。软件开发人员或许能更快生成代码，却要投入更多时间审查安全性、架构和可维护性。

传播岗位员工可能很快完成多份草稿，随后却因每份草稿都包含细微的事实或语气问题，而面临更大的编辑负担。AI 将工作在不同阶段之间转移，而非将其完全消除。

这些案例也暴露了一个衡量问题。雇主可以计算已完成的工单、草稿或消息，却更难衡量认知压力、错误风险、技能发展的缺失，以及核查机器生成材料所花费的时间。

劳动者会注意到这些隐性成本，因为他们直接承受这些成本。高管通常看到的则是强调数量和速度的汇总仪表盘。

这种差异有助于解释，为什么领导者和一线员工会审视同一种部署，并得出相反结论。管理层看到更多产出；劳动者看到更多监控、复核和不确定性。

这场争议并不要求 AI 无效。事实上，当技术真正有效时，冲突会更尖锐。有效的自动化为管理层提供了更多选择，其中包括降低劳动力成本或强化工作强度的选择。

因此，员工的怀疑反映的是一种制度性预判。他们预计，雇主会将节省下来的时间视为公司财产，而不是技术与劳动共同创造的收益。

真正的较量：管理控制权与共享收益

员工将根据谁掌控部署、谁获得回报来评判职场 AI，而非底层模型有多先进。

组织往往将采用 AI 描述为一项技术项目：选择模型、建立安全控制措施、连接内部数据，并教员工如何编写提示词。这些步骤固然重要，但并不能化解职场中的冲突。

员工关心的是，AI 是否会改变招聘、评估、监控、薪酬、晋升和解雇。这些都是治理问题，也就是谁做决策、谁有权质疑决策的问题。

哥伦比亚商学院的研究发现，以员工为中心的公司报告 AI 采用成功的可能性高出七倍。该研究还发现，组织不同层级之间存在明显的情绪鸿沟。

根据这项员工采用研究，33% 的一线员工表示，他们对 AI 的负面情绪多于正面情绪。持相同看法的高管仅占 4%。

最常见的负面反应包括焦虑、抵触和对失业的担忧。这一差距表明，高管不能仅凭部署统计数据就推断员工对 AI 抱有信心。

一家公司可能看到工具使用率持续上升，而员工却在暗自担心被替代。员工可能因为拒绝会带来职业风险而遵从 AI 指令。遵从并不等同于信任。

因此，这个故事中的核心对手并非某一家特定科技公司，而是管理层所承诺的共同进步，与员工对于收益高度集中的预期之间的冲突。

雇主可以在重新设计岗位之前，让员工获得实质性的发言权，以缓解这种冲突。每天执行某项流程的员工，往往最清楚哪些任务重复性高、哪些例外情况存在风险，以及自动化输出在哪些环节仍需要判断。

协商也会改变决策者可获得的信息。一名管理者查看自动化工作流时，可能只看到成功的结果；而一名员工能够说明，为产出该结果需要进行哪些未被记录的修正。

共享收益不能只靠倾听会议。组织需要明确规则，说明生产率节省将如何影响目标、人员配置、排班和薪酬。

如果 AI 将一项重复性流程缩短数小时，雇主可以将部分节省出的能力留给培训、质量控制或由员工自主决定的工作。企业也可以在绩效和薪酬评估中认可由此改善的产出。

公司应披露自动化系统何时会影响雇佣决策。员工需要有切实可行的方式来更正错误数据、对自动化建议提出异议，并要求人工复核。

培训也必须在带薪工作时间内进行。要求员工利用个人时间掌握必要的 AI 技能，实际上是将组织变革的成本转嫁给个人。

知识工作者还面临另一项挑战：AI 可能将输出与产生该输出的信息割裂开来。一份生成的摘要或许看起来很完善，却可能遗漏某项主张背后的来源、背景或尚未解决的分歧。

维护一个可搜索的知识库可以帮助员工保留来源背景并回顾先前决策。然而，没有任何软件能够决定，由此产生的效率提升究竟应当带来加薪，还是裁减岗位。

这仍然是管理层的选择。只要高管将 AI 描述为共同机遇，却保留对其经济收益的独占控制，员工的不信任就会持续存在。

这项调查目前尚无法证明什么

员工预期是重要的预警信号，但并非 AI 已使大多数工作变得更糟的直接证据。

这项调查衡量的是人们对未来结果的看法。这些看法会影响采用情况和职场行为，但无法证明 AI 将如何影响各行业的就业、薪酬或生产率。

Groundwork Collaborative 也从进步主义视角切入经济政策。其解读强调不平等和雇主权力。读者应将这一分析与底层 Ipsos 回应区分开来。

调查问题的措辞同样重要。关于老板是否会比员工获益更多的问题，可能同时捕捉到多种担忧。受访者可能想到的是利润、裁员、监控、工作量或高管薪酬。

不同职业接触的技术也不同。使用聊天机器人总结会议的管理者，与由排班算法管理的仓库员工，面对的是不同的风险结构。将两者合并分析，可能掩盖重要差异。

其他调查的证据并非一面倒地负面。Google 和 Ipsos 的研究发现，高熟练度用户报告了显著收益。美国商会的研究发现，许多员工将节省下来的时间用于提高工作质量、学习或复核。

Gensler 的全球职场调查发现，频繁使用 AI 的用户也报告了更强的团队联系，以及更多用于学习的时间。这些发现使“职场 AI 必然会孤立或伤害员工”的说法变得更为复杂。

即便是明显积极的调查也需要谨慎解读。高度熟练的用户可能原本就拥有更高的自主性、更好的工具和支持性的管理者。他们的结果可能既反映了有利的工作环境，也反映了 AI 专长。

自我报告的生产率也是一项局限。员工和管理者可能感觉自己更快了，却未必产出更多有价值的工作。相反，一名谨慎的员工可能觉得更慢，因为 AI 增加了复核步骤，却避免了代价高昂的错误。

独立的经济证据同样尚无定论。公司层面的实验发现，在某些任务中存在显著收益，尤其对经验较少的员工而言。更广泛的生产率统计数据则需要更长时间，才能显示这些收益是否能在不同组织中持续存在。

分配问题更难衡量。一家公司可能在不立即改变薪酬或人员配置的情况下提高产出。对议价能力、晋升和职业入门的影响，可能会在数年后才显现。

员工的担忧仍值得重视，因为预期会塑造行为。认为使用 AI 会使自己的工作更容易被自动化取代的人，可能会隐藏成功的工作流程。预期会遭遇不现实指标的员工，可能会抵制本可带来帮助的工具。

因此，恐惧可能削弱雇主所追求的生产率。它会鼓励隐秘使用、低质量报告和防御性行为。

这项调查不应被视为大规模替代不可避免的证明。更恰当的理解是，它表明许多员工并不信任那项被承诺的交易。

这种信任缺口本身就是一项实质性的采用风险。当员工相信自己披露的每一项效率都会被用来对付自己时，组织无法建立可靠的流程。

可信的雇主回应应采用可衡量的承诺：报告谁获得培训、岗位如何变化、工作量是否增加，以及生产率收益如何影响薪酬。

没有这些细节，关于增强效能的乐观说法仍难以检验。员工只能将高管的承诺，与自己经历的人员削减、更高目标和有限影响力进行比较。

三个信号将显示谁真正受益

职场 AI 的下一阶段将由培训机会、工作量变化以及可衡量生产率收益的分配来决定。

第一个信号是雇主是否缩小培训缺口。Google 和 Ipsos 发现，65% 的员工希望获得某种正式指导，但只有 14% 表示在前一年中接受过此类培训。

如果公司确实将员工视为 AI 采用的长期参与者，这一差距就应当缩小。雇主将需要提供针对岗位的培训、获准使用的工具、明确的安全政策，以及带薪练习时间。

如果培训增加却没有提高就业保障，证据就较为薄弱。公司有时会在整合岗位前培训员工，以实现流程标准化。员工需要清楚了解与该培训相关的用工计划。

第二个信号是工作量。组织应衡量 AI 是减少了重复性工作，还是仅仅提高了产出预期。

6 月的 Ipsos 调查结果已经发出了早期警示。五分之一的受访者表示，节省时间后反而获得了更多任务。如果这一比例上升，员工调查中的悲观解读将获得更多支持。

有用的衡量指标包括下班后的工作、任务量、复核时间、错误修正，以及员工对排班的控制权。仅看产出，无法说明一次部署是否改善了工作条件。

第三个信号是，职业收益是否能扩展到少数高级用户和管理者之外。Google 和 Ipsos 的调查发现，高熟练度员工报告的薪酬、晋升和工作保障更高。

这些员工仅占劳动力样本的 5%。如果经过培训后，类似收益也能惠及偶尔使用者，那么广泛共享收益的理由将更有说服力。

如果收益仍集中于管理者和专业人士，员工对阶层分化的担忧将显得越来越准确。AI 熟练度可能成为另一种稀缺资质，将获得充分支持的员工与其他人区分开来。

雇主还应披露生产率提升出现后会发生什么：公司是缩短了周转时间、提升了服务质量、提高了目标、削减了岗位，还是增加了薪酬？

这些结果并不能互相替代。每一种结果都揭示了谁获得了 AI 辅助劳动所创造的价值。

员工可以关注绩效评估中的变化。新出现的关于 AI 使用、产出量、自动化评分或基准比较的表述，表明试验正在成为正式的管理基础设施。

他们还应追踪，在自动化系统影响排班、招聘、晋升或解雇时，人工复核是否仍然可用。如果一名名义上的人工主管只是批准机器生成的建议，那么这种安排几乎无法提供保护。

对于知识工作者而言，眼下应采取的行动是记录收益与隐性成本。记录在起草、研究或分析上节省的时间，同时也记录验证和修正所需的时间。

这些证据能让内部讨论更具体。它以对工作如何改变的更完整说明，取代关于效率的模糊说法。

管理者在设定新目标前应直接提出一个问题：这项生产率收益中，员工应保留多少？答案对信任的影响，将超过又一次 AI 战略演示。

Google News 的报道之所以受到关注，是因为它捕捉到一种正在形成的职场判断。员工并不默认有用的技术会带来公平的结果。

这种判断仍可能改变。但只有当员工看到培训、保障、自主性和薪酬与产出同步提升时，它才会改变。

决定性证据不会来自又一项模型基准测试，而会来自工资单、排班、人员决策，以及员工对自身工作保留了多少控制权。

组织如今面临明确选择：它们可以利用 AI 强化既有层级，也可以让员工获得一份有据可查的收益份额。你的工作场所正准备衡量哪一种结果？